Kompetenz
Der Algorithmus sorgt für stabilere Prognosen.
Wie lassen sich die Stärken maschinellen Lernens und künstlicher Intelligenz im Portfoliomanagement nutzen? Leistungsstärkere Computer und die Verfügbarkeit gigantischer Datenmengen haben in den letzten Jahren ganz neue Möglichkeiten geschaffen, um Signale und Zusammenhänge zwischen unterschiedlichen Faktoren zu identifizieren. Die Deka setzt diese Erkenntnisse schon heute erfolgreich in der Portfoliokonstruktion ein.
Dezember 2021
Im Asset Management steigt das Interesse am Einsatz von künstlicher Intelligenz (KI). Anwendungen wie das Machine Learning (ML) ermöglichen die Verarbeitung und Auswertung immer größerer Datenmengen. Daraus können Asset-Management-Experten tiefere Erkenntnisse über die Zusammenhänge von unterschiedlichen Faktoren gewinnen und neue Prognose-Modelle entwickeln.
Bei der Deka arbeiten Dr. Dominik Wolff und sein Kollege Dr. Fabian Echterling seit 2018 daran, Investmentprozesse mit Hilfe von Machine Learning zu optimieren. „Die Idee, durch die Auswertungen von Kennzahlen Muster mit Prognosefähigkeit zu identifizieren ist für uns nicht neu, da wir im quantitativen Fondsmanagement der Deka schon seit mehreren Jahren erfolgreich damit arbeiten“, erklärt Dominik Wolff. „Dabei kommen im quantitativen Asset Management traditionell vor allem lineare Modelle wie Regressionsanalysen zum Tragen. Mit Hilfe von Machine Learning sind wir nun in der Lage, auch nicht lineare Zusammenhänge zwischen Variablen abzugreifen. Die ML-Modelle identifizieren solche Interaktionen selbständig. So erhalten wir feinere und deutlich belastbarere Signale. Auch laufen wir nicht Gefahr, einzelne Faktoren zu stark zu gewichten, da die Algorithmen in den Modellen aus den Daten ‚lernen′, welche Faktoren relevant sind.“ Die Interpretation und Bewertung dieser Signale ist dabei allerdings weiterhin Sache der Portfoliomanager - ebenso wie die Entscheidung, ob und wie darauf gehandelt wird.
Dieses Zusammenspiel mit dem traditionellen Portfoliomanagement macht es leichter, den Einsatz von KI und ML mit potenziellen Kunden zu diskutieren. „Es hilft sicherlich, dass wir unser Machine Learning-Konzept aus unserer Quant-Expertise herleiten können, denn dadurch wird greifbarer, was wir machen und welchen Nutzen Machine Learning bietet“, betont Jörg Winner, Leiter des Kompetenzteams Unternehmen & Family Offices bei Deka Institutionell.
Dr. Dominik Wolff aus dem Team Quantitatives Asset Management, ETF & Institutionelle und Dr. Fabian Echterling aus dem Team CIO & Fondsmanagement Fundamental
Qualität der Input-Daten entscheidend.
Machine Learning-Konzepte sowohl für die Analyse von Einzeltiteln als auch für die Prognose von Märkten und Indizes. Schon seit Längerem ist Machine Learning bei der taktischen Allokationssteuerung der quantitativen Mischfonds (Sigma Plus-Produktfamilie) im Einsatz. Hier prognostiziert ein Modell Aktienrenditen auf einer monatlichen Basis und wertet eine Vielzahl von Faktoren aus.
„Dazu zählen fundamentale Indikatoren wie Kurs-Gewinn- oder Kurs-Dividenden-Verhältnis und makroökonomische Indikatoren wie der Chicago Fed National Activity Index (der verschiedene Indikatoren zur Messung der wirtschaftlichen Aktivität kombiniert) oder der Index der Industrieproduktion. Andere Indizes wie der Einkaufsmanagerindex der University of Michigan (ISM) oder der Sentix messen das Marktsentiment und die Erwartungen der Marktteilnehmer. Risikoindikatoren wie Term-Spreads, Credit-Default-Spreads oder der Volatilitätsindex VIX reflektieren die Risikowahrnehmung der Markteilnehmer
Insgesamt fließen über 40 Variablen in das Modell ein, die wiederum auf eine tägliche Datenhistorie von 21 Jahren zurückgreifen können.
Ein weiteres Anwendungsfeld für ML bei der Deka ist die Identifikation von Aktienmärkten mit hohem kurzfristigen Outperformancepotenzial, um durch entsprechendes Market Timing Zusatzerträge zu generieren. Täglich werden 19 Aktienindizes weltweit, wie der DAX, der S&P 500 oder der MSCI Emerging Markets, auf die Wahrscheinlichkeit hin untersucht, am Folgetag eine Outperformance zu erzielen. Entsprechend der Signale des Modells gewichten die Fondsmanager der Deka über Futures den Index mit der höchsten Outperformancewahrscheinlichkeit über. Der Index, bei dem die Signale eine Underperformance erwarten lassen, wird über Short-Positionen untergewichtet.
Für Fabian Echterling sind die Auswahl der passenden Daten und die Qualitätskontrolle wesentliche Faktoren, die maßgeblich auch die Verwertbarkeit der Ergebnisse mitbestimmen. An dieser Stelle ist die Erfahrung menschlicher Experten, Datenanalysten oder auch Portfoliomanager gefragt: „Entscheidend ist, dass die historische Datenbasis gleich ist. Bei Preisdaten ist das in der Regel kein Problem, da diese Daten fix sind. Anders sieht es bei Makrodaten, wie z.B. den Inflationszahlen aus, die gelegentlich nachträglich angepasst werden. Wir nutzen deshalb die erstveröffentlichten Daten und achten bei den Backtests darauf, dass die Daten zum Zeitpunkt unserer Prognoseerstellung auch verfügbar waren.“
Die Algorithmen werden jährlich auf Basis der Daten der vorangegangenen Jahre trainiert, um die Prognosefähigkeit des Modells laufend zu verbessern. Im Konzept der Deka kommen dabei verschiedene Modellansätze wie Regression, baumbasierte Ansätze oder neuronale Netze zum Tragen. „Die jeweiligen Ansätze haben unterschiedliche Eigenschaften“, so Dominik Wolff. „Entscheidungsbaumbasierte Ansätze und neuronale Netze können im Gegensatz zu linearen Regressionsansätzen wie PCA oder LASSO auch Interaktionen und nicht lineare Zusammenhänge autark lernen. Allerdings brauchen sie ausreichend große Trainingsdaten, um ihre Überlegenheit auszuspielen. Es hängt also immer stark von den zugrundeliegenden Daten ab, welches Modell die besten Ergebnisse liefert. Wir gehen mit diesem Problem pragmatisch um: Die verschiedenen Modelle werden trainiert und der Mittelwert über alle Modeloutputs berechnet. So diversifizieren wir über verschiedene Modelle und erhalten letztendlich stabilere Prognosen.“
Mehrwert durch Erweiterung bestehender Ansätze.
Die Deka hat ihr Machine-Learning-Modell für das tägliche Futures Timing bereits seit Mitte 2020 als Testportfolio erprobt. Seit Dezember 2020 wird das Konzept in der Praxis als geringe Beimischung in ausgewählten Deka-Publikumsfonds erfolgreich eingesetzt: „Wir konnten mit unserem Modell einen positiven Performancebeitrag erzielen, der die Erträge passiver Aktieninvestments zum Beispiel deutlich übersteigt“, so das Fazit von Dominik Wolff. Künftig sind für ihn auch eigenständige KI-Fonds vorstellbar. Dabei bietet immer das Zusammenspiel aus Expertise und neuen technischen Möglichkeiten den eigentlichen Mehrwert: „Künstliche Intelligenz kann im Portfoliomanagement langjährige Erfahrung nicht vollständig ersetzen. Aber die erweiterten Möglichkeiten, die etwa Machine Learning bietet, können uns helfen, bestehende Prozesse zu optimieren und die Ergebnisse zu verbessern.“